CN115631197B - 一种图像处理方法、装置、介质、设备及*** - Google Patents

一种图像处理方法、装置、介质、设备及*** Download PDF

Info

Publication number
CN115631197B
CN115631197B CN202211645137.3A CN202211645137A CN115631197B CN 115631197 B CN115631197 B CN 115631197B CN 202211645137 A CN202211645137 A CN 202211645137A CN 115631197 B CN115631197 B CN 115631197B
Authority
CN
China
Prior art keywords
defect
image
variable
target
image processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211645137.3A
Other languages
English (en)
Other versions
CN115631197A (zh
Inventor
王南南
万茂佳
张武杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Huiyuan Semiconductor Technology (Guangdong) Co.,Ltd.
Casi Vision Technology Luoyang Co Ltd
Casi Vision Technology Beijing Co Ltd
Original Assignee
Zhongke Huiyuan Intelligent Equipment Guangdong Co ltd
Casi Vision Technology Luoyang Co Ltd
Casi Vision Technology Beijing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongke Huiyuan Intelligent Equipment Guangdong Co ltd, Casi Vision Technology Luoyang Co Ltd, Casi Vision Technology Beijing Co Ltd filed Critical Zhongke Huiyuan Intelligent Equipment Guangdong Co ltd
Priority to CN202211645137.3A priority Critical patent/CN115631197B/zh
Publication of CN115631197A publication Critical patent/CN115631197A/zh
Application granted granted Critical
Publication of CN115631197B publication Critical patent/CN115631197B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了图像处理方法、装置、介质、设备及***，该方法包括：获取包含语义分割对象的多个原始图像，并对多个原始图像进行多通道图像变换，得到变维图像；通过训练好的神经网络模型，获得变维图像中的缺陷位置信息；基于变维图像中的缺陷位置信息，获得变维图像的缺陷特征，根据缺陷特征，确定语义分割对象的缺陷类型。本申请对多个原始图像进行多通道变换，获得一个变维图像，使用训练好的神经网络模型获取变维图像中的缺陷特征，基于缺陷特征确定缺陷类型，由于多个原始图像能够更准确更丰富的表征缺陷信息，多通道变换后的变维图像增强了缺陷信息，进而神经网络模型输出的缺陷特征准确，确定的缺陷类型也更加准确，提高了缺陷检测准确率。

Description

一种图像处理方法、装置、介质、设备及***
技术领域
本申请涉及图像处理技术领域，特别涉及一种图像处理方法、装置、介质、设备及***。
背景技术
随着科技的发展，图像处理技术在很多工业场景得到了广泛应用，尤其是产品缺陷检测。采用图像处理技术计算出产品缺陷的位置和大小，进一步获取缺陷的纹理特征，并结合缺陷的尺寸以及纹理特征对缺陷进行分类和等级划分。
目前，现有的图像处理技术通过对原始拍摄图像进行滤波的方式来减少噪声干扰，但是某些图像的干扰比较复杂，对图像滤波并不能很好的降低干扰因素对缺陷识别的影响，缺陷检测准确率有待提高。
发明内容
有鉴于此，本申请提供了一种图像处理方法、装置、介质、设备及***，主要目的在于解决现有图像处理方法对干扰比较复杂的图像的缺陷检测准确率较低的问题。
根据本申请的一个方面，提供了一种图像处理方法，该方法包括：
获取包含语义分割对象的多个原始图像，对每个原始图像进行裁剪，获得每个原始图像对应的多个子图，按预设排布规则，对每个原始图像对应的多个子图进行合并，生成每个原始图像对应的合并图；
将每个原始图像对应的合并图作为一个通道的输入图像，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像；
通过训练好的神经网络模型，获得所述变维图像中的缺陷位置信息；
基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，根据所述缺陷特征，确定所述语义分割对象的缺陷类型。
可选地，所述基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像，包括：
采用Reshape变换方法对每个原始图像对应的合并图进行多通道图像变换，获得变维图像。
可选地，所述基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，包括：
基于所述缺陷位置信息和预设的缺陷特征计算算子，获得所述变维图像的缺陷特征。
可选地，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：
根据缺陷类型的判断条件，将所述缺陷特征划分为目标缺陷的关键特征和目标缺陷的约束特征；
根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型；
当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷。
可选地，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型，包括：
根据所述目标缺陷的关键特征和预设缺陷类型分类表，确定所述目标缺陷归属的缺陷类型。
可选地，所述当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷之后，所述图像处理方法还包括：
根据所述目标缺陷的关键特征，确定所述目标缺陷对应的缺陷分级。
可选地，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型之后，所述图像处理方法还包括：
当所述目标缺陷的约束特征不满足所述缺陷类型的约束条件时，所述目标缺陷为非缺陷。
可选地，所述目标缺陷的关键特征包括长度、宽度、长宽比、长宽均值、对比度以及面积中的至少一个。
可选地，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：
将所述缺陷特征与预设缺陷特征分类表进行比较；
根据比较结果，确定所述语义分割对象的缺陷类型和缺陷分级。
可选地，所述确定所述语义分割对象的缺陷类型和缺陷分级之后，所述图像处理方法还包括：
根据所述语义分割对象的缺陷类型、缺陷分级和预设要求，筛选目标检测对象。
可选地，所述训练好的神经网络模型包括依次连接的输入层、卷积层和决策层，其中，所述卷积层包括多个下采样层和多个上采样层，每两个下采样层之间和每两个上采样层之间均加入注意机制层。
可选地，所述图像处理方法进一步包括：
获得每个原始图像对应的多个子图；
对每个子图进行置信度求取，获取每个子图的置信度子图；
按预设排布规则，对每个原始图像对应的多个置信度子图进行合并，生成每个原始图像对应的置信度合并图；
将每个原始图像对应的置信度合并图作为一个通道的输入图像，基于每个原始图像对应的置信度合并图进行多通道图像变换，获得缺陷分割图。
可选地，所述对每个子图进行置信度求取，获取每个子图的置信度子图，包括：
采用softmax激活函数对每个子图进行置信度求取，获取每个子图的置信度子图。
根据本申请的另一个方面，提供了一种图像处理方法装置，包括：
合并图获取模块，用于获取包含语义分割对象的多个原始图像，对每个原始图像进行裁剪，获得每个原始图像对应的多个子图，按预设排布规则，对每个原始图像对应的多个子图进行合并，生成每个原始图像对应的合并图；
变维图像获取模块，用于将每个原始图像对应的合并图作为一个通道的输入图像，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像；
缺陷位置信息获取模块，用于通过训练好的神经网络模型，获得所述变维图像中的缺陷位置信息；
缺陷类型确定模块，用于基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，根据所述缺陷特征，确定所述语义分割对象的缺陷类型。
可选地，所述基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像，包括：
采用Reshape变换方法对每个原始图像对应的合并图进行多通道图像变换，获得变维图像。
可选地，所述基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，包括：
基于所述缺陷位置信息和预设的缺陷特征计算算子，获得所述变维图像的缺陷特征。
可选地，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：
根据缺陷类型的判断条件，将所述缺陷特征划分为目标缺陷的关键特征和目标缺陷的约束特征；
根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型；
当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷。
可选地，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型，包括：
根据所述目标缺陷的关键特征和预设缺陷类型分类表，确定所述目标缺陷归属的缺陷类型。
可选地，所述当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷之后，所述图像处理方法还包括：
根据所述目标缺陷的关键特征，确定所述目标缺陷对应的缺陷分级。
可选地，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型之后，所述图像处理方法还包括：
当所述目标缺陷的约束特征不满足所述缺陷类型的约束条件时，所述目标缺陷为非缺陷。
可选地，所述目标缺陷的关键特征包括长度、宽度、长宽比、长宽均值、对比度以及面积中的至少一个。
可选地，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：
将所述缺陷特征与预设缺陷特征分类表进行比较；
根据比较结果，确定所述语义分割对象的缺陷类型和缺陷分级。
可选地，所述确定所述语义分割对象的缺陷类型和缺陷分级之后，所述图像处理方法还包括：
根据所述语义分割对象的缺陷类型、缺陷分级和预设要求，筛选目标检测对象。
可选地，所述训练好的神经网络模型包括依次连接的输入层、卷积层和决策层，其中，所述卷积层包括多个下采样层和多个上采样层，每两个下采样层之间和每两个上采样层之间均加入注意机制层。
可选地，所述图像处理方法进一步包括：
获得每个原始图像对应的多个子图；
对每个子图进行置信度求取，获取每个子图的置信度子图；
按预设排布规则，对每个原始图像对应的多个置信度子图进行合并，生成每个原始图像对应的置信度合并图；
将每个原始图像对应的置信度合并图作为一个通道的输入图像，基于每个原始图像对应的置信度合并图进行多通道图像变换，获得缺陷分割图。
可选地，所述对每个子图进行置信度求取，获取每个子图的置信度子图，包括：
采用softmax激活函数对每个子图进行置信度求取，获取每个子图的置信度子图。
根据本申请的另一个方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行上述图像处理方法对应的操作。
根据本申请的另一个方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述图像处理方法对应的操作。
根据本申请的另一个方面，提供了一种缺陷检测***，缺陷检测***包括图像采集设备和计算机设备，计算机设备用于实现上述图像处理方法对应的操作。
借由上述技术方案，本申请实施例提供的技术方案至少具有下列优点：
本申请提供的一种图像处理方法、装置、介质、设备及***，对多个原始图像进行多通道变换，获得一个变维图像，使用训练好的神经网络模型获取变维图像中的缺陷特征，基于缺陷特征，确定缺陷类型，由于多个原始图像能够更准确更丰富的表征缺陷信息，多通道变换后的变维图像增强了缺陷信息，变维图像作为训练好的神经网络模型的输入数据，因此训练好的神经网络模型的输入数据具有更丰富的缺陷信息，进而识别输出的缺陷特征准确，确定的缺陷类型也更加准确，提高了缺陷检测准确率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例提供的一种图像处理方法的流程图；
图2示出了本申请实施例提供的再一种图像处理方法的流程图；
图3示出了本申请实施例提供的一种图像处理方法的缺陷特征示意图；
图4示出了本申请实施例提供的一种图像处理方法的缺陷分割图；
图5示出了本申请实施例提供的一种图像处理方法装置的组成框图；
图6示出了本申请实施例提供的一种计算机设备的结构示意图。
其中，
图5中：502-合并图获取模块；504-变维图像获取模块；506-缺陷位置信息获取模块；508-缺陷类型确定模块；
图6中：602-处理器；604-通信接口；606-存储器；608-通信总线；610-程序。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
为更进一步阐述本申请为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本申请申请的具体实施方式、结构、特征及其功效，详细说明如后。在下述说明中，不同的“一实施例”或“实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
针对现有图像处理方法对干扰比较复杂的图像的缺陷检测准确率较低的问题，本申请实施例提供了一种图像处理方法，如图1所示，该方法包括：
102：获取包含语义分割对象的多个原始图像，对每个原始图像进行裁剪，获得每个原始图像对应的多个子图，按预设排布规则，对每个原始图像对应的多个子图进行合并，生成每个原始图像对应的合并图；
在现有技术中，传统方法检测识别被测物体上的缺陷例如：SP划伤、油墨划伤、平台划伤、BG异色、平台模印等，背景干扰复杂，而现有的传统图像检测方法很难将缺陷从背景中分割出来，以至于无法解决存在复杂背景干扰缺陷，使得图像处理的难度高、效率低。语义分割能检测识别任意形状，语义分割对象就是能检测识别的形状。本申请提出采用多个原始图像，由于原始图像能更加丰富得表征缺陷信息，便于识别缺陷，同时将多个原始图像进行多通道变换获得一个变维图像，多通道变换后使得变维图像进一步丰富缺陷信息，从而进一步提高缺陷识别的准确度。
在本实施例中，按预设裁剪规则，将每个原始图像进行裁剪，获得每个原始图像对应的多个子图，按预设排布规则，对每个原始图像对应的多个子图进行合并，生成每个原始图像对应的合并图。
104：将每个原始图像对应的合并图作为一个通道的输入图像，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像；
在本申请的一个实施例中，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像，包括：
采用Reshape变换方法对每个原始图像对应的合并图进行多通道图像变换，获得变维图像。
现有方法将每个原始图像作为一个通道，将四个通道的原始图像叠加在一起作为 神经网络模型的输入图像，导致神经网络模型不能准确地学习图像中缺陷位置的特征。因 此这里提出Reshape变换的方法，将数据由
Figure 735096DEST_PATH_IMAGE001
转换为
Figure 940949DEST_PATH_IMAGE002
，然后输入到神 经网络模型，神经网络模型能准确地学习图像中缺陷位置的特征。
106：通过训练好的神经网络模型，获得变维图像中的缺陷位置信息；
选择成像好的已测缺陷图像作为数据集，对包含缺陷的已测缺陷图像进行裁剪，获得多个小图，对小图中的缺陷进行标注，以便神经网络模型根据标注信息准确地获得缺陷特征。
具体地，如果数据集质量较差，则不满足标注条件，不需要进行标注。包括但不限于以下几种情况：若原始图片模糊，不予以标注；若数据重复标注第一张图片即可，不重复标注。通常的评估模型好坏，需要将样本数据集分为两部分，一部分为训练集，用来模型的训练；一部分为测试集，进行模型的测试；一般两部分测试集与训练集不存在重合部分，训练集与测试集划分尽量保持均衡随机。
图像标注提供画笔标注及线段标注两种方式。若缺陷较大使用线段标注进行勾勒缺陷的形状，之后再进行细微的修改。若缺陷较小可以将图像放大之后使用画笔进行图像的精细标注；注意再标注之后观察所标注的图像线段尽量流畅，丝滑对后续的训练精度有一定的提升。
基于数据集对神经网络模型进行训练，获得训练好的神经网络模型。
在本申请的一个实施例中，训练好的神经网络模型包括依次连接的输入层、卷积层和决策层，其中，卷积层包括多个下采样层和多个上采样层，每两个下采样层之间和每两个上采样层之间均加入注意机制层。
具体地，变维图像由输入层进入后传递至卷积层，在卷积层经过处理后，获得缺陷位置并输出值决策层，决策层将缺陷位置输出。
卷积层包括下采样部分和上采样部分。下采样部分，由3×3的卷积层和1个2×2的最大池化层组成一个下采样的模块。
当输入的图像大小为512×512×3的时候，具体执行方式如下：
a1、conv1：进行三次[3,3]的16通道的卷积，获得一个[512,512,16]的初步有效特征层，再进行2×2最大池化，获得一个[256,256,16]的特征层。
a2、conv2：对conv1获得的[256,256,16]的特征层进行三次[3,3]的16通道的卷积，获得一个[256,256,16]的初步有效特征层，再进行2×2最大池化，获得一个[128,128,16]的特征层。
a3、conv3：对conv2获得的[128,128,16]的特征层进行三次[3,3]的32通道的卷积，获得一个[128,128,32]的初步有效特征层，再进行2×2最大池化，获得一个[64,64,32]的特征层。
a4、conv4：对conv3获得的[64,64,32]的特征层进行三次[3,3]的32通道的卷积，获得一个[64,64,32]的初步有效特征层，再进行2×2最大池化，获得一个[32,32,32]的特征层。
a5、conv5：对conv4获得的[32,32,32]进行三次[3,3]的64通道的卷积，获得一个[32,32,64]的初步有效特征层，再进行2×2最大池化，获得一个[16,16,64]的特征层
a6、conv6：对conv5获得的[16,16,64]进行三次[3,3]的64通道的卷积，获得一个[16,16,64]的初步有效特征层。
本申请增加了降采样次数，同时减少了每个stage中输出样本的通道数。这样的操作可以增大网络的感受野，学习到更大区域的特征，但是网络中padding的次数会引入额外的噪声，且通道数的减少不能充分学习缺陷及背景的特征。
具体地，六个下采样之后，为了使图片尺寸变大，提取深层信息，使用了六个上采样，在上采样的过程中，图片的通道数是减半的，与下采样部分的特征提取通道数的变化相反。为了加强特征提取网络，将利用这六个初步的有效特征层进行特征融合，特征融合方式就是对特征层进行上采样并且进行堆叠。
具体执行方式如下：
a1、conv1：对下采样获得的[16,16,64]进行三次[3,3]的64通道的卷积，获得一个[16,16,64]的初步有效特征层，再进行2×2最大池化，获得一个[32,32,64]的特征层。
a2、conv2：对conv1获得的[32,32,64]进行三次[3,3]的32通道的卷积，获得一个[32,32,32]的初步有效特征层，再进行2×2最大池化，获得一个[64,64,32]的特征层。
a3、conv3：对conv2获得的[64,64,32]进行三次[3,3]的32通道的卷积，获得一个[64,64,32]的初步有效特征层，再进行2×2最大池化，获得一个[128,128,32]的特征层。
a4、conv4：对conv3获得的[128,128,32]进行三次[3,3]的16通道的卷积，获得一个[128,128,16]的初步有效特征层，再进行2×2最大池化，获得一个[256,256,16]的特征层。
a5、conv5：对conv4获得的[256,256,16]进行三次[3,3]的16通道的卷积，获得一个[256,256,16]的初步有效特征层，再进行2×2最大池化，获得一个[512,512,16]的特征层
A6、conv6：对conv5获得的[512,512,16]进行三次[3,3]的16通道的卷积，获得一个[521,512,16]的初步有效特征层。
通过上述六次下采样和六次上采样处理后，获得的缺陷特征更加丰富，尤其在每两个下采样之间和每两个上采样之间加入注意力机制层，注意力机制层更多地关注缺陷位置所在的区域，提高了缺陷识别准确度。
108：基于变维图像中的缺陷位置信息，获得变维图像的缺陷特征，根据缺陷特征，确定语义分割对象的缺陷类型。
在本申请的一个实施例中，基于变维图像中的缺陷位置信息，获得变维图像的缺陷特征，包括：
基于缺陷位置信息和预设的缺陷特征计算算子，获得变维图像的缺陷特征。
具体而言，缺陷特征计算算子有很多，例如，缺陷长度计算算子，缺陷宽度计算算子，缺陷面积计算算子等，以缺陷长度为例，基于缺陷位置信息和预设的缺陷长度计算算子，计算获得缺陷长度。通过多个原始图像经过多通道变换的变维图像能更丰富地表征缺陷信息，因此基于变维图像获得的缺陷位置更加准确，基于该缺陷位置计算的缺陷特征也更加准确，提高了缺陷检测的准确率。
在本申请的一个实施例中，为了进一步限定及说明，如图2所示，根据缺陷特征，确定目标检测对象的缺陷类型，包括：
202：根据缺陷类型的判断条件，将缺陷特征划分为目标缺陷的关键特征和目标缺陷的约束特征；
204：根据目标缺陷的关键特征，确定目标缺陷归属的缺陷类型；
206：当目标缺陷的约束特征满足缺陷类型的约束条件时，目标缺陷为缺陷类型对应的缺陷。
在本实施例中，缺陷类型有很多，根据缺陷的关键特征确定缺陷归属于哪个缺陷类型，检测出来的缺陷有的是真缺陷，有的是假缺陷，因此，进一步判断归于与缺陷类型的缺陷是真缺陷还是假缺陷，通过缺陷的约束特征进一步判断，当约束特征满足缺陷类型的约束条件时，确定目标缺陷归属该缺陷类型。由此提高了对于解决复杂背景干扰的检测准确率，进而提高了后续对缺陷检测的广泛度。
在本申请的一个实施例中，根据目标缺陷的关键特征，确定目标缺陷归属的缺陷类型，包括：
根据目标缺陷的关键特征和预设缺陷类型分类表，确定目标缺陷归属的缺陷类型。
具体而言，根据已知目标的常见缺陷和人工检测划分缺陷类型的经验，创建预设缺陷类型分类表，该预设缺陷类型分类表反应了缺陷类型和与缺陷类型对应的关键特征的关系，根据目标缺陷的关键特征和预设缺陷类型分类表，即可获得缺陷类型。
在本申请的一个实施例中，当目标缺陷的约束特征满足缺陷类型的约束条件时，目标缺陷为缺陷类型对应的缺陷之后，图像处理方法还包括：根据目标缺陷的关键特征，确定目标缺陷对应的缺陷分级。
具体而言，当已经判断出缺陷为真缺陷时，根据目标缺陷的关键特征，确定目标缺陷的分级，以便根据目标缺陷的分级，确定该目标缺陷是否符合筛选条件，提高检测的准确率。
在本申请的一个实施例中，根据目标缺陷的关键特征，确定目标缺陷归属的缺陷类型之后，图像处理方法还包括：当目标缺陷的约束特征不满足缺陷类型的约束条件时，目标缺陷为非缺陷。
具体而言，检测出来的缺陷有的是真缺陷，有的是假缺陷，如果检测出假缺陷就降低了检测准确度，因此，本申请提出了通过约束特征判断真缺陷或假缺陷，约束特征满足缺陷类型的约束条件的目标缺陷是真缺陷，约束特征不满足缺陷类型的约束条件的目标缺陷是非缺陷，通过约束特征进一步判断真缺陷或假缺陷，提高了缺陷检测的准确度。
在本申请的一个实施例中，目标缺陷的关键特征包括长度、宽度、长宽比、长宽均值、对比度以及面积中的至少一个。
具体而言，关键特征有：
缺陷长：最小外接矩形的长，如图3中的L1。
缺陷宽（深）：最小外接矩形的宽，如图3中的W1。
缺陷（长+宽）/2：（最小外接矩形的长+最小外接矩形的宽）/2，如图3中的（L1+W1）/2。
缺陷面积：缺陷对应像素点的个数（非缺陷最小外接矩形面积），如图黑色区域的面积。
缺陷长宽比：最小外接矩形的长/最小外接矩形的宽，如图3中的L1/W1。
缺陷类型：缺陷被检测定义的类型，如0表示长芽，1表示芽缺等。
置信度：缺陷被深度学习识别的准确度，0.0到1.0，越大准确度越高。
最小外接矩形长边长度：最小外接矩形的长，如图3中的L1。
缺陷等价矩形骨骼长度：缺陷骨骼的长，如图3中的L0。
最小外接矩形短边长度：最小外接矩形的宽，如图3中的W1。
缺陷等价矩形骨骼宽度：缺陷骨骼的宽度，如图3中的W0。
区域主方向平均宽度：沿着最小外接矩形的长边的平均宽度。
面积：缺陷对应像素点的个数（非缺陷最小外接矩形面积），如图3中的黑色区域的面积。
缺陷与背景平均灰度值差绝对值：
Figure 57810DEST_PATH_IMAGE003
，其中
Figure 956496DEST_PATH_IMAGE004
表示缺陷的平均灰度，
Figure 791596DEST_PATH_IMAGE005
表示缺 陷周围背景的平均灰度。
缺陷区域与背景平均灰度均值的标准差：
Figure 801141DEST_PATH_IMAGE006
，其中
Figure 38087DEST_PATH_IMAGE007
表示 缺陷区域与背景平均灰度均值的标准差，
Figure 842095DEST_PATH_IMAGE008
表示缺陷的像素个数，
Figure 665957DEST_PATH_IMAGE009
表示缺陷某个像素的灰 度，
Figure 213613DEST_PATH_IMAGE005
表示缺陷周围背景的平均灰度。
在本申请的一个实施例中，根据缺陷特征，确定语义分割对象的缺陷类型，包括：
将缺陷特征与预设缺陷特征分类表进行比较；
根据比较结果，确定语义分割对象的缺陷类型和缺陷分级。
在本申请的一个实施例中，确定语义分割对象的缺陷类型和缺陷分级之后，图像处理方法还包括：
根据语义分割对象的缺陷类型、缺陷分级和预设要求，筛选目标检测对象。
具体而言，当确定缺陷的类型和分级后，将符合预设的筛选要求的被测目标筛选出来，并标记该被测目标的缺陷，便于对该被测目标的后期维护和管理。
本申请提供了一种图像处理方法，与现有技术相比，对多个原始图像进行多通道变换，获得一个变维图像，使用训练好的神经网络模型获取变维图像中的缺陷特征，基于缺陷特征，确定缺陷类型，由于多个原始图像能够更准确更丰富的表征缺陷信息，多通道变换后的变维图像进一步增强了缺陷信息，变维图像作为训练好的神经网络模型的输入数据，因此训练好的神经网络模型的输入数据具有更丰富的缺陷信息，进而识别输出的缺陷特征准确，确定的缺陷类型也更加准确，提高了缺陷检测准确率。
在本申请的一个实施例中，图像处理方法进一步包括：
获得每个原始图像对应的多个子图；
对每个子图进行置信度求取，获取每个子图的置信度子图；
按预设排布规则，对每个原始图像对应的多个置信度子图进行合并，生成每个原始图像对应的置信度合并图，并对每个置信度合并图进行二值化处理；
将每个原始图像对应的二值化处理后的置信度合并图作为一个通道的输入图像，基于每个原始图像对应的置信度合并图进行多通道图像变换，获得缺陷分割图。
在多个原始图像采用“crop小图方式”裁剪成符合神经网络模型训练时“输入尺寸”大小的图像，裁剪后的小图作为子图，求取每个子图的置信度，获得置信度子图，将置信度子图组合为置信度大图，并通过“分割图的置信度阈值”*255对置信度大图进行二值化，得到缺陷分割图，如图4所示，缺陷分割图中背景为黑色，白亮色的区域为缺陷，缺陷分割图便于用户了解直观了解缺陷的情况。
在本申请的一个实施例中，对每个子图进行置信度求取，获取每个子图的置信度子图，包括：
采用softmax激活函数对每个子图进行置信度求取，获取每个子图的置信度子图。
具体而言，通过softmax激活函数将子图中每个像素点的输出值变换为值是正数且和为1的概率分布，得到每个像素点中每个类的置信度。
进一步的，作为对上述图1所示方法的实现，本申请实施例提供了一种图像处理装置，如图5所示，该装置包括：
合并图获取模块502，用于获取包含语义分割对象的多个原始图像，对每个原始图像进行裁剪，获得每个原始图像对应的多个子图，按预设排布规则，对每个原始图像对应的多个子图进行合并，生成每个原始图像对应的合并图；
变维图像获取模块504，用于将每个原始图像对应的合并图作为一个通道的输入图像，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像；
缺陷位置信息获取模块506，用于通过训练好的神经网络模型，获得变维图像中的缺陷位置信息；
缺陷类型确定模块508，用于基于变维图像中的缺陷位置信息，获得变维图像的缺陷特征，根据缺陷特征，确定语义分割对象的缺陷类型。
本申请提供了一种图像处理方法装置，与现有技术相比，对多个原始图像进行多通道变换，获得一个变维图像，使用训练好的神经网络模型获取变维图像中的缺陷特征，基于缺陷特征，确定缺陷类型，由于多个原始图像能够更准确更丰富的表征缺陷信息，多通道变换后的变维图像增强了缺陷信息，变维图像作为训练好的神经网络模型的输入数据，因此训练好的神经网络模型的输入数据具有更丰富的缺陷信息，进而识别输出的缺陷特征准确，确定的缺陷类型也更加准确，提高了缺陷检测准确率。
在本申请的一个实施例中，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像，包括：
采用Reshape变换方法对每个原始图像对应的合并图进行多通道图像变换，获得变维图像。
在本申请的一个实施例中，基于变维图像中的缺陷位置信息，获得变维图像的缺陷特征，包括：
基于缺陷位置信息和预设的缺陷特征计算算子，获得变维图像的缺陷特征。
在本申请的一个实施例中，根据缺陷特征，确定语义分割对象的缺陷类型，包括：
根据缺陷类型的判断条件，将缺陷特征划分为目标缺陷的关键特征和目标缺陷的约束特征；
根据目标缺陷的关键特征，确定目标缺陷归属的缺陷类型；
当目标缺陷的约束特征满足缺陷类型的约束条件时，目标缺陷为缺陷类型对应的缺陷。
在本申请的一个实施例中，根据目标缺陷的关键特征，确定目标缺陷归属的缺陷类型，包括：
根据目标缺陷的关键特征和预设缺陷类型分类表，确定目标缺陷归属的缺陷类型。
在本申请的一个实施例中，当目标缺陷的约束特征满足缺陷类型的约束条件时，目标缺陷为缺陷类型对应的缺陷之后，图像处理方法还包括：
根据目标缺陷的关键特征，确定目标缺陷对应的缺陷分级。
在本申请的一个实施例中，根据目标缺陷的关键特征，确定目标缺陷归属的缺陷类型之后，图像处理方法还包括：
当目标缺陷的约束特征不满足缺陷类型的约束条件时，目标缺陷为非缺陷。
在本申请的一个实施例中，目标缺陷的关键特征包括长度、宽度、长宽比、长宽均值、对比度以及面积中的至少一个。
在本申请的一个实施例中，根据缺陷特征，确定语义分割对象的缺陷类型，包括：
将缺陷特征与预设缺陷特征分类表进行比较；
根据比较结果，确定语义分割对象的缺陷类型和缺陷分级。
在本申请的一个实施例中，确定语义分割对象的缺陷类型和缺陷分级之后，图像处理方法还包括：
根据语义分割对象的缺陷类型、缺陷分级和预设要求，筛选目标检测对象。
在本申请的一个实施例中，训练好的神经网络模型包括依次连接的输入层、卷积层和决策层，其中，卷积层包括多个下采样层和多个上采样层，每两个下采样层之间和每两个上采样层之间均加入注意机制层。
在本申请的一个实施例中，图像处理方法进一步包括：
获得每个原始图像对应的多个子图；
对每个子图进行置信度求取，获取每个子图的置信度子图；
按预设排布规则，对每个原始图像对应的多个置信度子图进行合并，生成每个原始图像对应的置信度合并图；
将每个原始图像对应的置信度合并图作为一个通道的输入图像，基于每个原始图像对应的置信度合并图进行多通道图像变换，获得缺陷分割图。
在本申请的一个实施例中，对每个子图进行置信度求取，获取每个子图的置信度子图，包括：
采用softmax激活函数对每个子图进行置信度求取，获取每个子图的置信度子图。
根据本申请一个实施例提供了一种存储介质，存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的图像处理方法。
图6示出了根据本申请一个实施例提供的一种计算机设备的结构示意图，本申请具体实施例并不对计算机设备的具体实现做限定。
如图6所示，该计算机设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中：处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。
通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器602，用于执行程序610，具体可以执行上述图像处理方法实施例中的相关步骤。
具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本申请实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器606，用于存放程序610。存储器606可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
程序610具体可以用于使得处理器602执行以下操作：
获取包含语义分割对象的多个原始图像，对每个原始图像进行裁剪，获得每个原始图像对应的多个子图，按预设排布规则，对每个原始图像对应的多个子图进行合并，生成每个原始图像对应的合并图；
将每个原始图像对应的合并图作为一个通道的输入图像，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像；
通过训练好的神经网络模型，获得变维图像中的缺陷位置信息；
基于变维图像中的缺陷位置信息，获得变维图像的缺陷特征，根据缺陷特征，确定语义分割对象的缺陷类型。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，在一个实施例中，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (18)

1.一种图像处理方法，其特征在于，包括：
获取包含语义分割对象的多个原始图像，对每个原始图像进行裁剪，获得每个原始图像对应的多个子图，按预设排布规则，对每个原始图像对应的多个子图进行合并，生成每个原始图像对应的合并图；
将每个原始图像对应的合并图作为一个通道的输入图像，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像；
通过训练好的神经网络模型，获得所述变维图像中的缺陷位置信息；
基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，根据所述缺陷特征，确定所述语义分割对象的缺陷类型；
其中，所述训练好的神经网络模型包括依次连接的输入层、卷积层和决策层，其中，所述卷积层包括多个下采样层和多个上采样层，每两个下采样层之间和每两个上采样层之间均加入注意机制层；
所述图像处理方法进一步包括：
获得每个原始图像对应的多个子图；
对每个子图进行置信度求取，获取每个子图的置信度子图；
按预设排布规则，对每个原始图像对应的多个置信度子图进行合并，生成每个原始图像对应的置信度合并图；
将每个原始图像对应的置信度合并图作为一个通道的输入图像，基于每个原始图像对应的置信度合并图进行多通道图像变换，获得缺陷分割图。
2.权利要求1所述的图像处理方法，其特征在于，所述基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像，包括：
采用Reshape变换方法对每个原始图像对应的合并图进行多通道图像变换，获得变维图像。
3.权利要求1所述的图像处理方法，其特征在于，所述基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，包括：
基于所述缺陷位置信息和预设的缺陷特征计算算子，获得所述变维图像的缺陷特征。
4.权利要求1所述的图像处理方法，其特征在于，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：
根据缺陷类型的判断条件，将所述缺陷特征划分为目标缺陷的关键特征和目标缺陷的约束特征；
根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型；
当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷。
5.权利要求4所述的图像处理方法，其特征在于，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型，包括：
根据所述目标缺陷的关键特征和预设缺陷类型分类表，确定所述目标缺陷归属的缺陷类型。
6.权利要求4所述的图像处理方法，其特征在于，所述当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷之后，所述图像处理方法还包括：
根据所述目标缺陷的关键特征，确定所述目标缺陷对应的缺陷分级。
7.权利要求4所述的图像处理方法，其特征在于，所述根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型之后，所述图像处理方法还包括：
当所述目标缺陷的约束特征不满足所述缺陷类型的约束条件时，所述目标缺陷为非缺陷。
8.权利要求5-7中任一项所述的图像处理方法，其特征在于，所述目标缺陷的关键特征包括长度、宽度、长宽比、长宽均值、对比度以及面积中的至少一个。
9.权利要求1所述的图像处理方法，其特征在于，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：
将所述缺陷特征与预设缺陷特征分类表进行比较；
根据比较结果，确定所述语义分割对象的缺陷类型和缺陷分级。
10.权利要求9所述的图像处理方法，其特征在于，所述确定所述语义分割对象的缺陷类型和缺陷分级之后，所述图像处理方法还包括：
根据所述语义分割对象的缺陷类型、缺陷分级和预设要求，筛选目标检测对象。
11.如权利要求1所述的图像处理方法，其特征在于，所述对每个子图进行置信度求取，获取每个子图的置信度子图，包括：
采用softmax激活函数对每个子图进行置信度求取，获取每个子图的置信度子图。
12.一种图像处理装置，其特征在于，包括：
合并图获取模块，用于获取包含语义分割对象的多个原始图像，对每个原始图像进行裁剪，获得每个原始图像对应的多个子图，按预设排布规则，对每个原始图像对应的多个子图进行合并，生成每个原始图像对应的合并图；
变维图像获取模块，用于将每个原始图像对应的合并图作为一个通道的输入图像，基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像；
缺陷位置信息获取模块，用于通过训练好的神经网络模型，获得所述变维图像中的缺陷位置信息；
缺陷类型确定模块，用于基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，根据所述缺陷特征，确定所述语义分割对象的缺陷类型；
其中，所述训练好的神经网络模型包括依次连接的输入层、卷积层和决策层，其中，所述卷积层包括多个下采样层和多个上采样层，每两个下采样层之间和每两个上采样层之间均加入注意机制层；
所述合并图获取模块还用于：
获得每个原始图像对应的多个子图；
对每个子图进行置信度求取，获取每个子图的置信度子图；
按预设排布规则，对每个原始图像对应的多个置信度子图进行合并，生成每个原始图像对应的置信度合并图；
将每个原始图像对应的置信度合并图作为一个通道的输入图像，基于每个原始图像对应的置信度合并图进行多通道图像变换，获得缺陷分割图。
13.权利要求12所述的图像处理装置，其特征在于，所述基于每个原始图像对应的合并图进行多通道图像变换，获得变维图像，包括：
采用Reshape变换方法对每个原始图像对应的合并图进行多通道图像变换，获得变维图像。
14.权利要求12所述的图像处理装置，其特征在于，所述基于所述变维图像中的缺陷位置信息，获得所述变维图像的缺陷特征，包括：
基于所述缺陷位置信息和预设的缺陷特征计算算子，获得所述变维图像的缺陷特征。
15.权利要求12所述的图像处理装置，其特征在于，所述根据所述缺陷特征，确定所述语义分割对象的缺陷类型，包括：
根据缺陷类型的判断条件，将所述缺陷特征划分为目标缺陷的关键特征和目标缺陷的约束特征；
根据所述目标缺陷的关键特征，确定所述目标缺陷归属的缺陷类型；
当所述目标缺陷的约束特征满足所述缺陷类型的约束条件时，所述目标缺陷为所述缺陷类型对应的缺陷。
16.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-11中任一项所述的图像处理方法对应的操作。
17.一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-11中任一项所述的图像处理方法对应的操作。
18.一种缺陷检测***，其特征在于，所述缺陷检测***包括图像采集设备和计算机设备，所述计算机设备用于实现如权利要求1-11中任一项所述的图像处理方法对应的操。
CN202211645137.3A 2022-12-21 2022-12-21 一种图像处理方法、装置、介质、设备及*** Active CN115631197B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211645137.3A CN115631197B (zh) 2022-12-21 2022-12-21 一种图像处理方法、装置、介质、设备及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211645137.3A CN115631197B (zh) 2022-12-21 2022-12-21 一种图像处理方法、装置、介质、设备及***

Publications (2)

Publication Number Publication Date
CN115631197A CN115631197A (zh) 2023-01-20
CN115631197B true CN115631197B (zh) 2023-03-17

Family

ID=84910197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211645137.3A Active CN115631197B (zh) 2022-12-21 2022-12-21 一种图像处理方法、装置、介质、设备及***

Country Status (1)

Country Link
CN (1) CN115631197B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408974B (zh) * 2023-10-26 2024-04-26 广州欧派集成家居有限公司 一种板式集成家具封边自动检测方法、装置及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872300B (zh) * 2018-12-17 2021-02-19 南京工大数控科技有限公司 一种摩擦片外观缺陷的视觉显著性检测方法
CN110018178B (zh) * 2019-04-28 2024-06-07 华南理工大学 一种手机曲面玻璃典型缺陷在线检测装置与方法
JP6703672B1 (ja) * 2019-07-16 2020-06-03 株式会社テクムズ 検査対象品の欠陥検出方法、その装置及びそのコンピュータプログラム
CN112184746A (zh) * 2020-08-27 2021-01-05 西北工业大学 一种输电线绝缘子缺陷分析方法
CN112365468A (zh) * 2020-11-11 2021-02-12 南通大学 基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法
CN113822844A (zh) * 2021-05-21 2021-12-21 国电电力宁夏新能源开发有限公司 风电机组叶片无人机巡检缺陷检测方法、装置和存储介质
CN115294025A (zh) * 2022-07-05 2022-11-04 深圳市商汤科技有限公司 缺陷检测方法及装置、电子设备和存储介质
CN115359239A (zh) * 2022-08-25 2022-11-18 中能电力科技开发有限公司 风电叶片缺陷检测定位方法、装置、存储介质和电子设备

Also Published As

Publication number Publication date
CN115631197A (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN111696094B (zh) 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备
CN113096130B (zh) 物件缺陷的检测方法、装置
CN112819748B (zh) 一种带钢表面缺陷识别模型的训练方法及装置
CN111583180B (zh) 一种图像的篡改识别方法、装置、计算机设备及存储介质
CN111126401B (zh) 一种基于上下文信息的车牌字符识别方法
CN111598856A (zh) 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及***
US11809519B2 (en) Semantic input sampling for explanation (SISE) of convolutional neural networks
CN116012291A (zh) 工业零件图像缺陷检测方法及***、电子设备和存储介质
CN115631197B (zh) 一种图像处理方法、装置、介质、设备及***
CN111310737A (zh) 一种车道线检测方法及装置
CN113963210A (zh) 一种基于深度学习的废弃数据存储设备检测方法及分拣***
CN112883926A (zh) 表格类医疗影像的识别方法及装置
US12008750B2 (en) Generating annotation data of tissue images
CN116071294A (zh) 一种光纤表面缺陷检测方法和装置
CN112784675B (zh) 目标检测方法及装置、存储介质、终端
CN113486856A (zh) 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN111767919A (zh) 一种多层双向特征提取与融合的目标检测方法
CN111881914A (zh) 一种基于自学习阈值的车牌字符分割方法及***
CN114638989A (zh) 一种基于目标检测和细粒度识别的故障分类可视化方法
CN113269150A (zh) 基于深度学习的车辆多属性识别的***及方法
Das et al. Object Detection on Scene Images: A Novel Approach
CN117576416B (zh) 工件边缘区域的检测方法、设备及存储介质
CN118115492A (zh) 一种基于机器学习的船舶焊接缺陷检测方法、***及设备
CN115601641A (zh) 基于遥感图像的油罐识别方法及装置、存储介质、终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No. 1107, 1st floor, building 4, No. 75 Suzhou street, Haidian District, Beijing 100080

Patentee after: Zhongke Huiyuan vision technology (Beijing) Co.,Ltd.

Country or region after: China

Patentee after: Zhongke Huiyuan Semiconductor Technology (Guangdong) Co.,Ltd.

Patentee after: CASI VISION TECHNOLOGY (LUOYANG) CO.,LTD.

Address before: No. 1107, 1st floor, building 4, No. 75 Suzhou street, Haidian District, Beijing 100080

Patentee before: Zhongke Huiyuan vision technology (Beijing) Co.,Ltd.

Country or region before: China

Patentee before: Zhongke Huiyuan Intelligent Equipment (Guangdong) Co.,Ltd.

Patentee before: CASI VISION TECHNOLOGY (LUOYANG) CO.,LTD.